-
题名面向无监督特征提取的结构化稀疏图学习
- 1
-
-
作者
朱奕珂
丁建浩
尹学松
王毅刚
-
机构
杭州电子科技大学人文艺术与数字媒体学院
杭州电子科技大学温州研究院温州微纳传感与物联网重点实验室
-
出处
《计算机科学与探索》
北大核心
2025年第4期964-975,共12页
-
基金
浙江省基础性公益技术应用研究(LGG22F020032)
温州市基础性公益技术应用研究(G2023093)
浙江省重点研发计划重点专项(2021C03137)。
-
文摘
无监督特征提取因解决高维数据造成的“维度灾难”问题而受到越来越多的关注。然而,现有方法通常构建低秩图或者近邻图来寻找高维数据的投影方向,忽略了数据的全局相关结构和表征的稀疏性。为了解决这些问题,提出了一种新的降维方法,被称为面向无监督特征提取的结构化稀疏图学习(SSGL)。SSGL方法使用表征来构建样本之间的最近邻图来保持数据的局部结构,使用最小二乘回归来建模数据的全局相关结构。因此,SSGL能够同时保持数据的局部和全局相关结构。此外,SSGL使用稀疏正则化断开亲和图中不同聚类样本之间的连接,从而使得学到的投影更具有判别力。为了验证SSGL的有效性,在八个公共图像数据集上进行了大量实验。结果表明,SSGL在聚类精度方面优于其他先进的特征提取方法,显著提升了聚类效果和分类性能。
-
关键词
特征提取
稀疏图
亲和关系
局部结构
-
Keywords
feature extraction
sparse graph
affinity relationship
local structure
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
